摘要

为提升人脸识别性能，卷积神经网络（CNN）模型的规模持续扩大，以更好地拟合大规模训练数据。然而，当训练数据来自互联网时，其标签往往存在模糊性和不准确性。本文提出一种轻量级CNN（Light CNN）框架，旨在利用包含大量噪声标签的大规模人脸数据，学习紧凑的特征表示。首先，我们在CNN的每个卷积层中引入一种maxout激活函数的变体——最大特征图（Max-Feature-Map, MFM）。与传统的maxout通过多个特征图线性逼近任意凸激活函数不同，MFM通过特征图之间的竞争关系实现该目标。MFM不仅能有效分离噪声信号与有用信息，还能在两个特征图之间实现特征选择功能。其次，我们精心设计了三个网络结构，在提升性能的同时显著减少了参数量和计算开销。最后，提出一种语义自举（semantic bootstrapping）方法，使网络预测结果与噪声标签之间保持更强的一致性。实验结果表明，所提出的框架能够有效利用大规模噪声数据，训练出计算成本和存储空间占用均较低的轻量级模型。所学习到的单个网络（采用256维表示）在多个主流人脸基准测试中取得了当前最优（SOTA）性能，且无需微调。代码已开源，地址为：https://github.com/AlfredXiangWu/LightCNN。